Traiter les données comme un atout essentiel, cultiver la curiosité, encourager l'expérimentation, continuer à investir dans la formation et le mentorat : ce ne sont là que quelques-uns des nombreux points importants à retenir de la plénière et de la table ronde mettant en vedette Loren Perlman , vice-président des sciences chez Riffyn ; André Argenton , vice-président de la recherche et du développement de base chez Dow ; et Kumar Subramanyan , directeur de la science des données chez Unilever. Regardez la version à la demande de cet épisode de Statistiquement parlant .
Voici un extrait de la conférence plénière de Loren sur les données en tant qu'atout principal :
Nous avons eu beaucoup de bonnes questions de la part du public auxquelles nous n'avons pas pu répondre à ce moment-là. Nos invités vedettes ont aimablement répondu à certaines des questions. Nous les remercions d’avoir partagé davantage leur sagesse.
Pouvez-vous nous parler davantage des pratiques FAIR en matière de données ?
Lorène : FAIR signifie Trouvable, Accessible, Interopérable et Réutilisable, défini comme suit :
- Trouvable signifie qu'il existe des termes de recherche et d'organisation associés aux ensembles de données qui les rendent trouvables lors de l'utilisation de termes de recherche pertinents, tels que projet, objectif expérimental, etc.
- Accessible signifie qu’une fois les données localisées, elles peuvent être obtenues et utilisées – je peux littéralement les télécharger. Cela peut s'accompagner d'exigences d'autorisation ou d'authentification associées, en fonction des politiques d'accès aux données d'une organisation donnée.
- Interopérable signifie que les ensembles de données peuvent fonctionner avec des applications ou des flux de travail pour l'analyse, le stockage ou un traitement supplémentaire.
- Réutilisable signifie que les données sont bien documentées avec les métadonnées associées pour permettre la recombinaison dans différents contextes. En d’autres termes, les données et les métadonnées associées utilisent des vocabulaires partagés (onotologies) qui permettent de comprendre la relation entre les ensembles de données – définissant comment sont-elles liées via les données ou métadonnées qu’elles contiennent.
Des informations plus détaillées sur FAIR peuvent être trouvées ici : https://www.go-fair.org/fair-principles .
Comment avez-vous réagi aux réticences à l'achat de licences JMP en raison de l'argument « pourquoi ne pouvons-nous pas simplement utiliser Excel » ? Des conseils pour prouver aux non-utilisateurs que JMP en vaut la peine ?
Kumar : C’est précisément l’argument auquel de nombreuses organisations sont confrontées. Microsoft Excel est omniprésent dans les organisations, mais de plus en plus de personnes se forment à R et Python. La question est de savoir quelle est la valeur d’investir dans JMP ? Ce dernier point est relativement facile à dissiper : R, Python et d’autres outils d’analyse open source nécessitent un certain niveau d’expertise et de formation. En conséquence, ils ne constituent pas la voie à suivre pour démocratiser l’analyse, même s’ils peuvent constituer une voie à suivre pour démocratiser des solutions analytiques spécifiques dans les organisations. La conversion d'Excel vers JMP est la bonne question à aborder, et les points suivants aideront ce cheminement :
- Utilisez Excel comme point de départ pour initier les utilisateurs au parcours analytique, si nécessaire. La gestion/organisation et analyse des données de base peuvent être enseignées dans Excel.
- Dans la prochaine phase de perfectionnement, intégrez JMP comme un catalyseur clé. Présentez ses capacités et avantages uniques par rapport à Excel (par exemple, conception d'expériences, visualisation, gestion d'ensembles de données plus volumineux, nombre nettement plus important de méthodes et de modèles).
- Construire des communautés d'utilisateurs JMP autour des domaines d'application ; cela fonctionne mieux que de cibler des utilisateurs individuels.
André : Il existe en réalité deux approches, et le choix de la bonne dépend de nombreux facteurs. Une approche est celle à l’échelle de l’entreprise. Cela nécessite que quelqu'un parmi les dirigeants de l'entreprise comprenne la valeur et adhère à l'idée selon laquelle une transformation se produit plus rapidement lorsqu'il y a un engagement et un soutien descendant. Si vous n’avez pas de champion au sommet, vous devriez alors envisager la deuxième approche, qui consiste à accroître le soutien grâce à des cas de réussite. Pour cette approche, vous devez littéralement exécuter une expérience et faire fonctionner un sous-ensemble de l’organisation comme un scénario de test. Ce groupe d'essai aurait la possibilité de fonctionner avec les bons outils, tels que JMP, ainsi que la bonne structure de support. Considérez cela comme une étude de cas pour montrer la valeur. Le succès de ce groupe alimenterait les futurs investissements pour se développer.
Lorène : C'est une question légitime de la part de la direction, car elle essaie d'illustrer le retour sur investissement (retour sur investissement) de tout argent dépensé pour de nouveaux outils ou stratégies de gestion des données. Excel est certes un outil rapide et simple pour des ensembles de données à échelle limitée et des analyses de base. Le problème apparaît lorsque les ensembles de données deviennent importants (et que « substantiel » signifie différentes choses pour différentes personnes) ou lorsque les besoins de modélisation deviennent importants. Il n’y a tout simplement aucune comparaison possible entre la puissance de JMP en tant que plateforme d’analyse. Je pense que Kumar et Andre ont abordé les bonnes approches : établir une capacité de base et fournir une assistance afin que les utilisateurs puissent démontrer clairement la valeur de la mise en œuvre de l'outil.
Quels sont les moyens spécifiques d’encourager le changement et la croissance vers une culture analytique ?
Kumar : J'ai quelques suggestions :
- Investissez dans les bons outils (systèmes) pour obtenir la conversion/l’adoption des utilisateurs. Concentrez-vous sur une expérience utilisateur exceptionnelle et un accès transparent aux données.
- Identifiez les premiers utilisateurs/champions commerciaux et utilisez-les pour favoriser une adoption plus poussée.
- Mettez en œuvre des incitations, telles que des crédits d’apprentissage, qui peuvent contribuer à de futures opportunités de carrière. Redéfinissez les rôles pour inclure l’analyse comme ensemble de compétences clés.
André : Célébrez les petites victoires et célébrez le comportement. Lorsqu’un chercheur utilise de nouvelles compétences, une nouvelle approche pour analyser les données ou une approche différente pour visualiser les données, cet exemple doit être célébré autant que la découverte de nouveau matériel.
Lorène : Comme le dit le cliché : l’argent parle. Offrir des récompenses appropriées pour le changement de culture est très utile. Peut-être offrir un déjeuner à l'équipe qui démontre l'utilisation la plus intelligente de l'analyse ou une récompense en espèces pour la résolution de problèmes qui n'auraient peut-être pas été accomplis sans une approche axée sur les données et l'analyse. Je dirais que cela commence également au cours du processus d'embauche : nous devons embaucher des personnes qui possèdent certaines compétences ou qui comprennent qu'elles seront censées les développer au travail. Je pense que nous avons un peu tendance à cloisonner les compétences (par exemple, un data scientist s'occupe de la modélisation ; un scientifique de laboratoire s'occupe de l'expérimentation). Pourquoi ne peut-on pas s’attendre à ce que les gens améliorent leurs compétences et se développent continuellement dans de multiples dimensions ?
J'ai beaucoup entendu dire ces derniers temps que nous devrions faire des données un atout essentiel, et je suis d'accord. Ma question est la suivante : comment procéder et à quoi cela ressemble-t-il ?
Kumar : Pour être pleinement réalisé, ce problème doit être abordé à tous les niveaux de l’organisation :
- Au niveau supérieur, il doit y avoir une stratégie de données qui définit ce que sont les données de base, comment elles seront gérées (acquises, stockées, protégées, consultées) et comment elles seront utilisées pour créer de la valeur.
- Aux niveaux inférieurs de l’organisation, deux choses sont nécessaires : 1) inculquer une culture de fierté à l’égard des données et des données en tant qu’actif partagé au sein de l’organisation ; 2) des processus et outils opérationnels permettant de collecter et de gérer des données de bonne qualité en tant qu’actif partagé.
Lorène : Nous le voyons souvent dans le déploiement de Riffyn Nexus. La réponse courte est qu’il doit être facile de collecter des données de haute qualité et de les organiser selon les pratiques de données FAIR. S'il existe des obstacles à la collecte et à la gestion des données, les utilisateurs reviendront simplement aux comportements existants, tels que les données cloisonnées dans des feuilles de calcul enregistrées localement.
Si votre organisation a une culture des données très minimale – peu ou pas d’alignement entre les processus métier, les données et les décisions commerciales – sur quoi vous concentrez-vous en premier ?
Kumar : Concentrez-vous sur les processus métier qui génèrent de grandes quantités de données. Montrez l’intérêt de l’analyse de ces données en termes de nouvelles informations qui conduisent à de meilleures décisions ou à une efficacité opérationnelle grâce à l’automatisation de l’analyse/du reporting. Une fois l’impact reconnu, passez à la systématisation des problèmes de capture/qualité des données et montrez des améliorations dans la qualité des informations/décisions. Enfin, identifiez les opportunités d'amélioration des processus métier qui ressortiront invariablement de l'analyse. Ces améliorations sont généralement beaucoup plus difficiles à mettre en œuvre à moins que leurs avantages ne soient significatifs.
André : Conformément au point de vue de Kumar, je me concentrerais sur les domaines dans lesquels vous pouvez effectivement avoir le plus d'impact et dans lesquels vous pouvez apporter de la valeur rapidement. Supposons que vous ayez deux opportunités : 1) une opportunité de 100 millions de dollars qui prendra plusieurs années à se concrétiser et qui nécessite des efforts massifs, ou 2) une opportunité de 10 millions de dollars où les données sont largement disponibles, les parties prenantes sont plus engagées et l'analyse a un impact évident et grand rôle à jouer. Choisissez l'opportunité de 10 millions de dollars. Tenez-vous en à cela, gagnez en crédibilité et en confiance, et avancez vers le point où l'organisation peut saisir les opportunités les plus importantes.
Lorène : Cela recoupe étroitement la question du changement culturel et de l’incitation. Cela nécessite un investissement et une vision descendants, ainsi que des outils et une attitude ascendants pour y parvenir. Je dois souligner que ce n’est pas facile, mais c’est profondément gratifiant à tous les niveaux d’une organisation. La direction doit créer l’espace et les incitations nécessaires pour que cela se produise, tout en fournissant l’infrastructure nécessaire.
Y a-t-il eu des évolutions dans les RH pour soutenir la construction d'une culture d'analyse, comme des descriptions de poste, des incitations au perfectionnement des compétences, etc. ?
Kumar : Oui. Les RH doivent jouer et jouent un rôle essentiel dans la création d’une culture analytique dans les organisations. Cela va de l'inclusion des données et de l'analyse en tant que compétence spécifique, à la création de rôles d'analyse, à la création d'un réseau de recrutement et à la promotion du perfectionnement des employés grâce à des opportunités d'apprentissage.
De nombreuses organisations ont vu le concept de data scientists citoyens utilisé pour promouvoir/élever la base de l'organisation à un niveau plus élevé de sensibilisation et de culture analytique. Ils créent des incitations, allant de la certification, aux crédits d'apprentissage qui favorisent de nouvelles opportunités de carrière, et au mentorat inversé pour les cadres supérieurs.
Comment regrouper les données au sein d’un grand groupe ? Quels outils peuvent être utilisés pour extraire les données d’un problème afin qu’elles soient pertinentes pour un ensemble de données plus vaste et agrégé ?
Kumar : Pour un groupe partageant un domaine commun (tel que les sciences de la vie ou l’industrie manufacturière), la clé est de standardiser un processus de capture des données, ce qui améliorera l’efficacité et, plus important encore, la qualité des données. Le plus grand obstacle au partage de données est la mauvaise qualité des données, comme des données manquantes ou un manque de métadonnées. L'amélioration de la qualité des données peut être effectuée via un outil tel qu'un modèle de capture de données standardisé ou un flux de travail convivial (les cahiers de laboratoire électroniques fonctionnent bien). Pour les groupes multidomaines, cela peut être plus difficile. Cela fonctionne mieux s'il existe un cas d'utilisation défini qui doit accéder aux données dans ces domaines. En supposant que cela ait été établi, le regroupement de ces ensembles de données dans un environnement cloud à des fins d’analyse constitue aujourd’hui la méthode opérationnelle standard. La clé est de permettre la recherche et la découverte des données dans ces groupes afin de faciliter les solutions d'analyse.
Lorène : Je souhaite faire écho à l'excellent commentaire de Kumar sur la normalisation des processus de capture de données. Cela signifie fournir les outils et les ontologies qui créent la cohérence et l’alignement au sein des groupes. Il est possible de piloter l'agrégation des données entre les groupes en comprenant comment les données et les matériaux circulent entre les groupes. Cela signifie s'aligner sur des choses simples, comme des exemples de schémas de dénomination, afin que les données puissent être jointes dans un lac de données ou un outil comme Riffyn Nexus.
Comment amener les gens à faire confiance aux résultats d’une analyse lorsqu’ils ne comprennent pas pleinement les mathématiques ou les statistiques ?
Kumar : C’est en effet l’un des défis liés à la création d’une culture analytique omniprésente dans les organisations ; par conséquent, l’importance de la gestion du changement ne peut être sous-estimée. Nous parlons de la nécessité d'élever le niveau de l'organisation, ce qui fait référence à la sensibilisation aux données et aux analyses et à leur valeur à tous les niveaux de l'organisation. Il est également nécessaire de cibler les gestionnaires et les dirigeants qui doivent prendre les décisions commerciales. Nous assistons de plus en plus à des formations sur les données et la transformation numérique pour les dirigeants. Ce faisant, il est également nécessaire de s’attaquer à la dichotomie entre battage médiatique et réalité qui existe parmi les non-experts. Certains pensent que l’analytique (IA/ML) est une panacée à tous les problèmes commerciaux, tandis que d’autres citent de glorieux échecs pour étayer leur position selon laquelle la valeur de l’analytique (en particulier l’IA/ML) est surfaite. La vérité est, bien sûr, entre les deux, donc l’objectif de toute formation doit être de présenter cela comme l’art du possible, mêlé d’un sentiment de réalisme pour favoriser le bon comportement et les bons résultats dans les organisations.
André : Je suis d'accord avec le point de vue de Kumar concernant l'augmentation du plancher et cela commence par la nécessité d'une formation continue. Je crois également qu'un centre d'excellence composé de personnes hautement respectées et d'experts en la matière fournira aux gens l'assurance de l'accepter. Avec cette acceptation, les résultats et la confiance se développeront naturellement au sein d’une organisation.
La clé pour générer de la valeur consiste à agir à partir des informations et des analyses. Comment les organisations devraient-elles mener des actions parallèlement à l’analyse ?
Kumar : De toute évidence, la transformation vers une culture analytique échouera à moins qu’une valeur ne soit créée en transformant les informations en actions. Il est donc important qu’un ensemble d’actions très claires soit convenu au début de chaque projet d’analyse. Chaque résultat ou prévision doit avoir un résultat spécifique pour l'entreprise, qu'il s'agisse d'une amélioration mesurable de l'efficacité ou d'un impact sur un processus ou une décision commerciale.
Pourriez-vous s'il vous plaît expliquer comment les aspects d'éthique et de durabilité peuvent être abordés dans un contexte industriel ?
André : Je crois que le sens de l'éthique et de la durabilité dans cette question concerne le traitement éthique des données et la durabilité à long terme des solutions numériques proposées (par opposition à l'éthique générale de l'industrie et aux défis généraux de durabilité de la planète).
Le débat en cours sur l’éthique des données et de leur traitement, qui fait l’objet de discussions dans le monde universitaire et dans l’industrie, est très important. Dans un monde idéal, les données générées sont transparentes et les analyses à partir des données sont reproductibles, vérifiables et explicites pour les futurs utilisateurs. Le professeur Philip Stark de Berkeley parle du concept de « préproductibilité », et c'est un concept qui aborde bien ce sujet. Je vois l’industrie et le monde universitaire évoluer vers un système de transparence des données au sein d’un domaine spécifique et d’un groupe spécifique (c’est-à-dire que toute personne dans une organisation qui peut créer de la valeur à partir de ces données devrait avoir accès aux données brutes et aux métadonnées associées).
Face à la question de la durabilité des systèmes et des processus, l’industrie doit toujours prendre une décision lors du développement d’un flux de travail de génération et d’analyse de systèmes et de données. Choisissez-vous un développement rapide qui sert vraiment bien un projet mais qui n’est pas évolutif ? Ou choisissez-vous un développement plus long et plus coûteux d’un flux de travail de génération de système et de données qui soit holistique et applicable à tous les flux de travail ? La réponse, à mon avis, est que nous avons besoin d’un équilibre. Certains des éléments fondamentaux de la structure des données et des processus de recherche qui auront un impact sur la plupart des flux de travail doivent être traités de manière globale, car il est moins coûteux et préférable de procéder de cette façon. Cependant, des systèmes uniques, des projets uniques et des besoins uniques existeront toujours. Il est donc important d'avoir la flexibilité nécessaire pour les accepter dans votre architecture de données et votre culture de données. En d’autres termes, une approche pragmatique doit toujours être envisagée.
Montre cet épisode de Statistiquement parlant via notre site Internet.
